已验证65% 置信事实精确时间
Embedding模型本质上是Encoder-only Transformer架构，代表为BERT及其变体，通过对比学习或掩码语言模型任务预训练
3
来源数
65%
置信度
长期有效
时效性
2026/7/6
首次发现
来源
银行医院为何必须用Local AI？本地大模型私有化部署全解析
bilibili亢老师-AIRTC2026/7/1
相关事实
待验证专用embedding模型通常基于双编码器（Bi-Encoder）架构训练，通过对比学习优化问题-段落向量距离，这是检索专用模型召回率优于通用模型的根本原因75% 相似待验证EmbeddingGemma2基于Gemma 2语言模型架构，经过多模态对比学习训练70% 相似待验证现代Embedding模型通常基于Transformer架构，通过对比学习在大规模文本对上训练，向量维度通常在768到1536之间69% 相似待验证原生多模态架构在模型的基础Transformer结构中统一处理文本token和视觉token，让两种模态从预训练阶段就在同一参数空间中共同学习69% 相似待验证Sentence Transformers是在BERT、XLM-R等预训练模型之上做对比学习微调的框架，训练目标是让语义相似的句子向量彼此靠近。68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/114481API
curl https://kongchang.com/api/v1/knowledge/claims/114481MCP
get_claim(id=114481)